Haidi Emade El-Dean Hassan, <br/><br/>
Enhanced deep domain adaptation techniques for text classification / 
 نظام محسن لتهيئة وتكيف التعليم العميق في تصنيف النصوص / 
by Haidi Emade El-Dean Hassan ; Supervision Prof. Magda Fayek, Prof. Nayer Wanas. 
 - 103 pages :   illustrations ;   30 cm. +   CD. 
<br/><br/>Thesis (Ph.D)-Cairo University, 2024. 
<br/><br/>Bibliography: pages 92-103. 
<br/><br/> Recent advancements in domain adaptation have demonstrated significant<br/>success in transferring knowledge from a source domain to a target domain,<br/>particularly in unsupervised domain adaptation (UDA), where labeled data<br/>is only available in the source domain. A primary method in UDA involves<br/>identifying shared features between domains. However, challenges such as<br/>feature stability and concurrent handling of both domains remain.<br/>This thesis tackles these challenges in text classification by proposing three<br/>innovative models: WS-UDA, UDA-SP, and FlexAdapt. WS-UDA focuses on<br/>discovering deeper and more stable features for the target domain through<br/>sequential steps. It has demonstrated robust performance in adapting to<br/>diverse and dissimilar domains, consistently achieving improvement accuracy<br/>across Amazon reviews, FDU-MTL, and Spam data-sets with 2.23%, 23.32%,<br/>and 1.9% respectively . The sequential approach of WS-UDA enhances its<br/>adaptability to varying levels of domain dissimilarity.<br/>UDA-SP incorporates a source feature extractor to balance performance<br/>between source and target domains. By leveraging the available source<br/>samples, UDA-SP effectively adapts to closely related domains while pre-<br/>serving the performance on the source domain. This model highlights the<br/>importance of maintaining a trade-off between source and target performance<br/>post-adaptation. UDA-SP shows improvements of 2.25% on Amazon reviews,<br/>2.75% on FDU-MTL, and 1.08% on Spam data-sets.<br/>FlexAdapt integrates adversarial training with dynamic weighting based<br/>on domain similarity. FlexAdapt excels in scenarios involving both similar<br/><br/><br/>and dissimilar domains by capitalizing on the unique strengths of WS-<br/>UDA and UDA-SP. The incorporation of similarity-based weighting ensures<br/>balanced performance across varying domain dissimilarities. FlexAdapt shows<br/>improvements of 4.09% on Amazon reviews, 4.14% on FDU-MTL, and 3.22%<br/>on Spam data-sets.<br/>The findings of this thesis suggest that domain similarity plays a significant<br/>role in the adaptation process. Models such as WS-UDA perform exception-<br/>ally well in scenarios with significant domain dissimilarities, while UDA-SP<br/>excels in closely related domains. FlexAdapt demonstrates versatility by<br/>maintaining high performance across a spectrum of domain similarities.<br/>Overall, this thesis provides valuable insights into the effectiveness of these<br/>models in enhancing domain adaptation. It lays a foundation for future<br/>research to further improve UDA techniques and address complex domain<br/>adaptation challenges.  يقترح البحث نماذج متقدمة في تكييف المجال غير الخاضع للإشراف، تهدف لنقل المعرفة من مجال مرئي يحتوي على بيانات مسماة (المجال المصدر) إلى مجال غير  خاضع للإشراف يحتوي على بيانات غير مسماة (المجال المستهدف) في تحليل المشاعر. تعالج هذه الأطروحة تحديات مثل استقرار الميزة والمعالجة المتزامنة لكلا المجالين في تصنيف النصوص من خلال اقتراح ثلاثة نماذج: نموذج "دبليو اس-يو دي ا"، ونموذج " يو دي ا  -اس ب" ونموذج “فليكس ادابت”.<br/>تعمل "وس-يو دي  ا" على تعزيز القدرة على التكيف مع المجالات المتنوعة وغير المتشابهة من خلال خطوات متسلسلة. يشتمل " يو دي ا  -اس ب" على مستخرج ميزات المصدر لموازنة الأداء بين نطاقات المصدر والهدف. ويجمع “فليكس ادابت”. بين" دبليو اس-يو دي ا" و" يو دي ا  -اس ب" مع ترجيح ديناميكي يعتمد على تشابه المجال، ويتفوق في كل من المجالات المتشابهة وغير المتشابهة. توفر هذه النماذج رؤى قيمة وتضع أساسًا لأبحاث تكييف المجال غير الخاضع للإشراف المستقبلية.  تم تقييم النماذج المقترحة باستخدام ثلاث مجموعات بيانات مختلفة. أظهرت "دبليو اس-يو دي ا" متوسط تحسين بنسبة 2.48%، وحقق  " يو دي ا  -اس ب" متوسط تحسين بنسبة 2.02%، وأظهر “فليكس ادابت” متوسط تحسين بنسبة 3.82%.<br/> 
<br/><br/>
<br/><br/><br/>Text in English and abstract in Arabic & English. 
<br/><br/><label>Subjects--Topical Terms: </label><br/>Computer Engineering
<br/><br/><label>Subjects--Index Terms: </label>Unsupervised Domain Adaptation  Domain Adaptation  Text Classification  Sentiment Analysis cross domains  Spam Filtering cross domains  Feature Stability  Adversarial Training  Machine Learning 
<br/><br/><label>Dewey Class. No.: </label>621.39